Väitös edistää konenäköä ja data-analytiikkaa syövän tutkimuksessa
Tutkimuksessa kehitettiin uusia menetelmiä syöpäsoluista kerättyjen kuva-aineistojen analysointiin.
Ilmari Ahosen kehittämät uudet menetelmät syöpäsoluista kerättyjen kuva-aineistojen analysointiin auttavat tutkijoita ymmärtämään paremmin erilaisten lääkkeiden vaikutuksia ja taudin käyttäytymistä.
Syövän mahdollisimman realistinen mallintaminen laboratorio-olosuhteissa lisää tietoa taudista ja edesauttaa uusien hoitomuotojen kehityksessä.
– Tällaisia edistyneitä biologisia malleja hyödynnetään Turun yliopiston ja Turku Science Parkin Pharmacityssä sijaitsevassa High Content Screening -laboratoriossa esimerkiksi lääkeaineiden testaukseen. Potilaista irrotettuja syöpäsoluja kasvatetaan muovisissa maljoissa, jossa ne muodostavat aitoja kasvaimia muistuttavia kolmiulotteisia rakenteita, Ahonen kertoo.
Näitä "keinokasvaimia" voidaan käsitellä eri lääkkeillä, joiden vaikutukset todetaan suoraan rakenteiden ulkomuodosta mikroskoopilla otettuja kuvia tarkastelemalla. Laboratorio- ja kuvantamismenetelmien kehitys on kuitenkin Ahosen mukaan kasvattanut kokeiden suuruusluokkaa niin paljon, etteivät yksittäiset ihmiset enää pysty niitä helposti analysoimaan.
– Kuvia syntyy kokeesta riippuen satoja, mahdollisesti muutamia tuhansia. Kun yksittäisessä kuvassa esiintyy usein kymmeniä syöpäsolurakenteita, analysoitavien objektien määrä mitataan helposti kymmenissä tuhansissa. Tarvitsemme konenäköä ja automatisoituja menetelmiä näiden kokeiden analysointiin.
Kuvista numeroihin
Syöpärakenteiden ulkomuodon analysoiminen koneellisesti on monitahoinen ongelma, jonka ratkaisemiseksi tarvitsee käsitellä lukuisia pienempiä haasteita.
– Meidän piti kehittää sopivia tapoja mitata rakenteiden ominaisuuksia, joista olisi hyötyä tutkimustulosten muodostamisessa. Esimerkiksi rakenteista lähtevien ulokkeiden tunnistaminen ja rakenteen reunan tasaisuus ovat biologisesti hyvin tärkeitä piirteitä, mainitsee Ahonen.
Menetelmiä taudin monimuotoisuuden mallintamiseen
Suhteellisen tuore löydös on, että edes saman kasvaimen solut eivät ole perimältään samanlaisia vaan saattavat reagoida eri tavoin samaan interventioon. Ahosen väitöskirjan kaksi jälkimmäistä artikkelia käsittelevätkin ongelmia, joissa analysoitava aineisto koostuu toisistaan poikkeavista osajoukoista.
– Hyvin usein oletamme, että tietty käsittely aiheuttaa keskimäärin samanlaisen vaikutuksen koeyksilöissämme. Jos todellisuudessa esimerkiksi osa yksilöistä reagoi positiivisesti ja osa negatiivisesti, ei keskimääräinen reaktio olekaan mielekäs mittari. Tämän takia niin sanotut latenttien ryhmien menetelmät ovat tärkeitä, Ahonen huomauttaa.
Syöpäsoluaineistot johdattivat Ahosen tutkimaan myös poikkeavien havaintojen tunnistamista. Joskus tutkijoiden on vaikea tietää, minkälaisia muutoksia heidän tulisi etsiä, sillä eri solutyypit ja ympäristöt voivat erota toisistaan merkittävästikin ja tuottaa myös odottamattomia tuloksia.
Ahonen toteaa, että monissa ongelmissa on kyse poikkeavien havaintojen tunnistamisesta.
– Esimerkiksi huonosti onnistuneet kuvat halutaan suodattaa onnistuneiden joukosta ja toimivat lääkeaineet löytää tehottomien joukosta. Kehitimme uudenlaisen teoreettisen lähestymistavan, jossa keskitymme yksittäisten havaintojen sijaan poikkeavuuden tunnistamiseen sinänsä. Menetelmällä pyrimme vastaamaan kysymykseen, onko näiden kuvien joukossa poikkeavia kuvia ylipäätään. Tämä edustaa uudenlaista ajattelumallia.
FM Ilmari Ahonen väitöskirja Statistical methods for the analysis of high-content organotypic cancer cell culture imaging data tarkastetaan Turun yliopistossa 3.3.2018.
Kuva: Pixmac
